1. 首頁 > 生活百科 > >

老黃押寶「美版DeepSeek」，谷歌天才叛將創業，一夜吸金20億美元

老黃押寶「美版DeepSeek」，谷歌天才叛將創業，一夜吸金20億美元

文章圖片

老黃押寶「美版DeepSeek」，谷歌天才叛將創業，一夜吸金20億美元

文章圖片

老黃押寶「美版DeepSeek」，谷歌天才叛將創業，一夜吸金20億美元

文章圖片

老黃押寶「美版DeepSeek」，谷歌天才叛將創業，一夜吸金20億美元

文章圖片

老黃押寶「美版DeepSeek」，谷歌天才叛將創業，一夜吸金20億美元

文章圖片

老黃押寶「美版DeepSeek」，谷歌天才叛將創業，一夜吸金20億美元

文章圖片


昔日AlphaGo和Gemini幕后英雄聯手創業！Reflection AI獲20億美元融資 ， 英偉達投錢 ， 目標打造「十萬億token級」模型 ， 讓AI不再被少數人掌控 。
在AI資本競速的戰場上 ， 美國投資者正用真金白銀押注未來！
據PitchBook統計 ， 全球AI基礎模型公司去年融資349億美元；今年 ， 已融資翻番至719億美元 。
剛剛 ， DeepMind前研究員創立、成立一年多的AI初創Reflection AI ， 竟斬獲高達20億美元融資 。 估值瞬間飆升至80億美元！
從谷歌前CEO施密特到英偉達 ， 再到紅杉、花旗 ， 頂級玩家爭相入局 ， 一場圍繞開源AI主權的科技冷戰 ， 正在燃起資本最狂熱的火焰 。
開源VS閉源、算力VS人才、美國VS中國 ， Reflection AI宣稱要打造「美版DeepSeek」 ， 在AI新時代奪回技術話語權 。
關于未來智能控制權的終極對決 ， 正在悄然拉開帷幕 。

AI決戰之時Misha Laskin（下圖左）曾主導DeepMind「Gemini」項目中的獎勵建模工作；Ioannis Antonoglou（下圖右）則參與了2016年打敗圍棋世界冠軍的AI系統AlphaGo的開發 。
創始人的經歷成為公司核心賣點——他們相信 ， 在巨頭體系之外 ， 頂級AI人才完全可以打造前沿模型 。
Reflection AI主打「Open Intelligence」理念：模型、論文、數據全開放 ， 讓高校、初創、企業免費微調、部署、審計 ， 以避免前沿AI被少數巨頭壟斷 。
據CEO Laskin介紹 ， 目前團隊約有60人 ， 主要由基礎設施、數據訓練和算法開發方向的AI研究員與工程師組成 。
公司已部署大規模算力集群 ， 并計劃在明年發布一款訓練規模達「十萬億token級」的前沿語言模型 。
這筆融資也透露出一個信號：投資者不再只押注于OpenAI和谷歌等閉源專有模型 ， 連開源路線也開始成為資本追逐的熱點 。
盡管一些人擔心開源AI模型可能帶來風險甚至濫用 ， 但支持者認為這條路徑不可或缺 。
紅杉的Stephanie Zhan認為現在就是AI行業的「決戰時刻」 ， 而Reflection AI已接受挑戰 。
熔爐時刻
真正的轉折點往往悄然而至——今日的選擇將定義未來數十年的軌跡 。 這些關鍵時刻塑造企業命運 ， 同樣鑄就我們的事業與人生 。
唯有敏銳識別潛藏的戰略拐點 ， 并敢于打破常規果斷行動 ， 才能在變革中持續領跑 。

美版DeepSeek ， 下一步堅持開放智能Reflection AI的聯合創始人兼CEO Misha Laskin表示 ， 美國急需擁有像DeepSeek那樣的本土對標者——
一個能與頂級閉源模型競爭的開源AI平臺 ， 否則可能在全球技術競爭中失去優勢 。
Laskin直言 ， 當前西方開源模型普遍落后于DeepSeek及其他中國對手 ， 這可能導致更多用戶轉向中國產品 。
他指出 ， 西方雖有Meta、法國的Mistral AI ， 甚至OpenAI等玩家也在參與開源 ， 但整體競爭力仍顯不足 。
在接受采訪時 ， Misha Laskin說道：「美國目前正缺少一個像DeepSeek那樣的存在 ， 這也是我們這樣的實驗室為什么必須存在」 。
他將當前局勢比作冷戰時期的太空競賽 。
但無論是開源模型還是閉源模型 ， 要想真正打造出領先的AI系統 ， 都需要海量的算力、頂級的科研人才——說到底 ， 就是錢 。
這也正是為何在今年3月剛完成1.3億美元融資僅七個月后 ， Reflection AI又火速完成了一輪高達20億美元的新融資 。
Laskin坦言 ， Reflection AI未來還將需要更多資金 ， 畢竟競爭對手也在加速融資 。
【老黃押寶「美版DeepSeek」，谷歌天才叛將創業，一夜吸金20億美元】他指出 ， 僅OpenAI一家就在上月獲得了英偉達最多可達1000億美元的投資承諾 。
不過 ， 他認為開源模型的市場需求正在持續擴大 ， 尤其是來自希望掌控自身AI技術的大型企業與政府 ， 這將最終撐起一條可持續的商業路徑 。

為什么堅持開放？科技與科學的進步 ， 源于開放與協作的價值觀 。
無論是互聯網、Linux ， 還是現代計算的協議標準 ， 都是開放的 。
絕非偶然 。 正是因為開源 ， 才有人能二次開發、深度定制 ， 把它們嵌入全球各類系統 。 大學會教 ， 初創會用 ， 大企業會部署——開放 ， 就是影響力 。
開放科學的意義也在于：基于已有成果 ， 別人可以學習、提問、改進、再突破 。
如今的AI之所以取得如此進展 ， 也正是因為許多關鍵技術是公開共享的 ， 如自注意力機制、下一個token預測、強化學習等 。
如今 ， AI正在成為所有產業的底層技術基礎 。 它驅動科研、提升教育、優化能源、加速醫療診斷、重塑供應鏈……未來一切系統 ， 幾乎都將運行在AI之上 。
但問題是 ， 前沿AI技術如今正被少數閉門實驗室掌控 。
如果這種格局持續下去 ， 資本、算力、人才將被少數人壟斷 。 留給其他人的機會之窗正在迅速關閉 。
我們必須在這個窗口消失之前 ， 建立足夠強大、足以成為開發者和用戶首選的開放模型 。 唯有如此 ， 才能確保智能的基礎是開放且可獲取的 ， 而不是由少數人掌控 。

過去一年的成績過去一年 ， Reflection AI為這個目標做好了充分準備 。
Reflection AI的團隊成員曾參與推動多個重大AI項目：PaLM、Gemini、AlphaGo、AlphaCode、AlphaProof ， 以及ChatGPT、Character AI等 。
Reflection AI搭建了一個曾被認為只有頂級實驗室才能實現的大規模訓練平臺 ， 可支持大語言模型和強化學習的融合 ， 具備訓練超大規模專家混合模型（Mixture-of-Experts）的能力 。
首先 ， 他們把這套方法用在「自動編程」這一關鍵領域 ， 取得重大突破 。
接下來 ， 他們將把這套體系用于更通用的智能體推理（agentic reasoning）任務 。
他們不僅完成了規模龐大的融資 ， 還建立了一套可持續的商業模式 ， 既保證開放理念 ， 又能繼續發布前沿模型 。
現在 ， 我們正全力擴展 ， 打造結合大規模預訓練與先進強化學習的下一代開放模型 。

競逐超級智能 ， 開啟終極智能比賽2016年 ， 現年37歲的谷歌DeepMind研究員Ioannis Antonoglou參與開發了AlphaGo 。
八年后 ， 他與另一位DeepMind前研究員、35歲的Misha Laskin攜手創辦了 Reflection AI ， 目標是打造一個能夠編寫與維護代碼的超級智能系統 。
當前 ， 大多數AI編程公司仍專注于為開發者提供輔助工具 ， 而Reflection的野心是：徹底取代程序員 。
Reflection創始團隊堅信 ， 「自主編程」是通向通用超級智能（AGI）的「根節點問題」（root-node problem） 。
聯合創始人Ioannis Antonoglou說
我們認為 ， 自主編程就是AGI完備的（AGI-complete） 。
如果你能證明你擁有超級智能的軟件工程師 ， 那你已經擁有了AGI 。 接下來只是將同一套算法推廣應用到其他垂類的問題上 。
他認為 ， 在「編程」這個問題里 ， 你已經找到了獲得超級智能的完整路徑——所有構成智能所需的要素 ， 都已經在這個任務中被激活 。

代碼就是LLM的天然UI智能的形式有很多種 ， 不只是用于編寫代碼的那一種 。 但代碼恰恰是推進機器智能最「可觸達」的表層之一 。
Misha Laskin預測道：「我們認為 ， 智能的演化速度將快于軟件本身 。 」他進一步解釋：
而選擇從軟件工程入手 ， 是因為這個領域已經為機器智能做好了準備——整個軟件體系天生就更「機器友好」 。
對人類來說 ， 操控三維物體是天性；而對語言模型來說 ， 編程語言就像人類的空間感知能力一樣本能天然 。
對LLM而言 ， 代碼就是最符合「人體工學」的操作界面 。
這一趨勢的影響將逐步顯現 。 在這一過程中 ， 軟件公司將會開始構建「AI友好型界面」 ， 加速甚至瞬間完成人類與軟件產品的交互 。
Misha設想了一種未來：「GUI的某些部分可能會被取代 ， 背后實際是語言模型在用代碼完成任務 。 」
原本需要用戶點十下的操作 ， 未來可能只需模型生成一行代碼 ， 任務即可完成 。
Reflection團隊對「超級智能」的定義非常實用：能通過操作計算機來創造價值的系統 。
Misha 表示：「我們認為 ， 未來語言模型在軟件世界中完成工作的方式 ， 就是通過代碼智能體（coding agent） 。 所以一旦你解決了這個問題 ， 你就實現了計算機上的超級智能 ， 適用于任何擁有AI友好接口的軟件系統 。 」
Reflection的創始人相信 ， 自主智能體最有效的訓練方式 ， 是在為其量身定制的環境中練習技能——就像當年的DeepMind Atari游戲環境 ， 或OpenAI Gym所做的一樣 。
在「編程」領域 ， 這些環境和工具已經比較容易想象；但對于其他更復雜的認知場景 ， 可能還需要更大膽的想象力與技術突破 。
Misha認為 ， 當前的AI ， 就像蒸汽機時代早期——在熱力學理論尚未誕生之前 ， 發明家們已能造出真正的機器 。
從理論角度深刻理解模型為何有效 ， 當然非常有價值 。
在物理學中 ， 每當人類從理論上徹底理解一個現象 ， 都會引發新一輪實證創新浪潮——因為你知道該往哪里尋找 。 但你無需等到理論完全成型 ， 才能構建出可靠的系統 。
受物理學大師費曼（Richard Feynman）的啟發 ， Misha最初走上物理之路 。
在一次關于能量守恒的演講中 ， 費曼說過：
在如今的物理學中 ， 我們并不知道「能量」究竟是什么 。 意識到這一點非常重要 。
這句話 ， 如今同樣適用于AI——以及我們對「智能」的理解 。
DeepMind創始人Demis Hassabis曾在諾貝爾獎采訪中如此總結對超級智能的追尋：
AI科學的核心 ， 就是探索和理解什么是智能 。而理解某件事最深刻的方式 ， 就是親手把它造出來 。
現在 ， 我們還有機會 ， 真正建立一個前沿的開放智能體系 。 但窗口正在收窄 ， 可能這就是最后一次機會 。

參考資料：https://x.com/reflection_ai/status/1976304405369520242
https://www.sequoiacap.com/article/reflection-ai-spotlight/
https://x.com/stephzhan/status/1976326493291807117
本文來自微信公眾號“新智元” ， 作者：KingHZ， 36氪經授權發布 。

    推薦閱讀